防止科学怪人的怪物
来源：CPDA数据分析师网 / 时间：2021-05-19
就像科学怪人的怪物一样，不知道AI算法的组成部分如何相互影响终会破坏单个部分本身的质量。幸运的是，对于数据科学家来说，在开发AI时阻止“怪物”的产生需要了解数据的有效性，而不是超自然的知识，建立在深度学习上的AI平台假设更多的数据等于更好的准确性。通常，这是正确的，但AI产生的可行见解仅与所提取的数据一样好。这就是为什么牛津-慕尼黑数据伦理规范之类的框架必须应用于数据的收集，处理和分析的原因。
研究人员和主要代表制定的行为准则
旨在解决与数据科学有关的实际和假设的道德情况，它的规定分为七个不同的领域：合法性；合法性；合法性；合法性，权限; 处理数据；算法和模型；透明，客观和真实；独自工作或与他人一起工作；和即将到来的挑战，由于数据科学问题的复杂性，假设即使是志向高远的数据专业人士也无法始终在没有指导的情况下以方式了解和采取行动，因此需要不断进行修改。
能够以闪电般的速度处理和理解海量数据
通常可以使AI成为优于人类的决策者，如果没有人的监督，Ai可能不会总是产生的结果，尤其是考虑到AI可以覆盖的领域广泛应用，考虑这个例子–一个公司使用AI分析其劳动力，技术进步和经济趋势，并生成一个模型，预测可能影响哪些工作角色并面临裁员，如果没有适当地查询数据–寻找采样偏差，问题等–将输入风险转移到输出中的潜在问题，与棋盘游戏不同的是，当不良的数据做法在AI中变得更加复杂时，人们的生计将受到威胁。
如何在实践中将应用于AI
数据分析和AI团队通常会遵循一个开发过程，首先要决定构建AI模型，然后进行设计，构建，部署和监视模型，在每个阶段，相关人员必须确保遵循良好的数据治理规范，一种实现此目的的方法是通过活动记录，可审核的，基于时间的记录，其中包含与所用数据相关的源，方法和发现，除了获得关于如何发现潜在错误数据的简介外，所有利益相关者还应该全面了解所使用的数据范围，分担责任负担并促进更广泛的水平透明度，所有利益相关者必须履行专业职责，以纠正工作中同事，经理或决策者的任何误解或毫无根据的期望。
的想法
在过去约50年的时间里，存储，处理和传输数据的能力呈指数增长，同时这样做的相对成本仍在下降，随着AI的发展与这些能力紧密相关，我们不可避免地看到AI算法被用于越来越多的业务应用，技术创新和日常情况中，为确保AI的未来可持续发展，必须为AI开发人员明确的职责和准则，没有这些，它的潜在决策力可能会毁灭它-我们也是如此。